在WSL（Ubuntu）中构建启用BLAS的llama-cpp-python及验证方法

我尝试在WSL上安装启用BLAS的llama-cpp-python，让GGML库使用OpenBLAS。用了两种带CMAKE_ARGS的pip安装命令，但导入模块时没有任何BLAS启用的确认信息，没法确定BLAS是否真的生效了。

我使用的具体命令如下：

# 尝试1：显式指定OpenBLAS供应商
CMAKE_ARGS="-DGGML_BLAS=ON -DGGML_BLAS_VENDOR=OpenBLAS" \
  pip install llama-cpp-python --force-reinstall --no-cache-dir

# 尝试2：启用BLAS并并行构建
CMAKE_ARGS="-DGGML_BLAS=ON -DCMAKE_BUILD_PARALLEL_LEVEL=2" \
  pip install llama-cpp-python --force-reinstall --no-cache-dir

# 验证导入
python3 -c "from llama_cpp import Llama; print('Import successful - llama-cpp-python installed')"

现在没有任何信息能确认GGML是基于BLAS/OpenBLAS构建的，也没有运行时证据显示BLAS在被使用，没法判断是用了OpenBLAS还是回退到了标量实现。

我想了解以下问题：

1. 在WSL上构建启用GGML BLAS的llama-cpp-python并链接OpenBLAS的准确步骤是什么？
2. 运行pip install前，需要在WSL发行版中安装哪些依赖包（比如libopenblas-dev、build-essential、cmake等）？
3. 安装后如何确认llama-cpp-python/GGML正在使用BLAS？（需要构建时或运行时的验证命令/方法）
4. 如果CMAKE_ARGS是正确的配置方式，WSL上需要使用的准确CMAKE_ARGS值是什么？是否需要设置其他环境变量或pip参数？

解决方案 #

1. 准确构建步骤 #

1. 先安装所有必要的依赖包（见问题2）。
2. 清理之前的构建缓存，确保从头开始构建。
3. 设置正确的CMAKE_ARGS环境变量，执行pip安装命令。
4. 通过构建日志或运行时验证确认BLAS启用（见问题3）。

2. 预安装依赖包 #

在WSL的Ubuntu/Debian发行版中，执行以下命令安装依赖：

sudo apt update && sudo apt install -y build-essential cmake libopenblas-dev pkg-config

• build-essential：提供编译所需的基础工具（gcc、g++等）。
• cmake：用于生成构建文件。
• libopenblas-dev：OpenBLAS的开发库，提供编译链接所需的头文件和库文件。
• pkg-config：帮助CMake自动找到OpenBLAS的安装路径。

3. 验证BLAS启用的方法 #

构建时验证

执行pip安装命令时，仔细观察输出日志，查找类似以下的内容：

-- Found OpenBLAS library: /usr/lib/x86_64-linux-gnu/libopenblas.so
-- Found OpenBLAS include directory: /usr/include/x86_64-linux-gnu/openblas
-- GGML BLAS: ON
-- GGML BLAS_VENDOR: OpenBLAS

如果出现这些行，说明构建时已成功链接OpenBLAS。

运行时验证

方法一：检查共享库依赖

# 找到llama_cpp模块的安装路径
python3 -c "import llama_cpp; print(llama_cpp.__file__)"
# 进入模块目录，找到核心共享库（通常名为llama_cpp.so）
cd $(dirname $(python3 -c "import llama_cpp; print(llama_cpp.__file__)"))
ldd llama_cpp.so | grep openblas

如果输出包含libopenblas.so的路径，说明运行时会加载OpenBLAS。

方法二：通过模型初始化日志验证
初始化Llama模型时开启verbose模式，观察日志：

from llama_cpp import Llama
llm = Llama(model_path="./your-model.gguf", verbose=True)

日志中会显示类似ggml_init_blas: using OpenBLAS的信息，确认BLAS正在被使用。

4. 正确的CMAKE_ARGS配置 #

在WSL上，正确的CMAKE_ARGS需明确指定启用BLAS并绑定OpenBLAS：

CMAKE_ARGS="-DGGML_BLAS=ON -DGGML_BLAS_VENDOR=OpenBLAS" \
  pip install llama-cpp-python --force-reinstall --no-cache-dir

• -DGGML_BLAS=ON：开启BLAS加速功能。
• -DGGML_BLAS_VENDOR=OpenBLAS：指定使用OpenBLAS作为BLAS供应商。

如果需要利用多核心加速构建，可以额外添加并行参数：

CMAKE_ARGS="-DGGML_BLAS=ON -DGGML_BLAS_VENDOR=OpenBLAS -DCMAKE_BUILD_PARALLEL_LEVEL=$(nproc)" \
  pip install llama-cpp-python --force-reinstall --no-cache-dir

其中$(nproc)会自动获取当前系统的CPU核心数，最大化构建效率。

无需额外环境变量，确保安装依赖后直接执行上述命令即可。--force-reinstall --no-cache-dir会强制重新构建，避免之前的缓存干扰。

内容的提问来源于stack exchange，提问作者Kunal Gupta